单因素完全随机设计
第五章 真实验设计 1单因素完全随机
实验设计中使用的符号
X：表示一种处理，即研究者操作或变化的实验变量（自变量）； 在比较不同的处理时，以X0， X1， X2 …表示
O：表示处理前或后的一种观测或度量
自左至右：表示时间次序或先后
同一横行的X或O：表示这些X或O作用于同一组被试
R：表示被试已被随机化选择、分配 M：表示把被试加以配对 ……由虚线所隔开的各组是非同质的，虚线表示不能随机选择和 部署两组
同样A在B2水平上是否简单效应； B在A1水平上是否简单效应； B在A2水平上是否简单效应；
5．比较(comparisons) 对各处理水平平均数之间差异的估价叫比较。
例如，在一个2X3两因素实验中，A因素和B因素的 主效应都是显著的。对于A因素来说，主效应显著 明显是由于A1水平与A2水平之间的差异显著，而B 因素的主效应显著则有多种可能
2．处理与处理水平的结合
处理与处理水平的结合都是指实验中一个特定的、 独特的实验条件。 例如，在一个探讨人在快速呈现条件下命名汉字的 2X2两因素完全随机实验设计中，有呈现速度(A)和 汉字频率(B)两个因素，其中呈现速度有50毫秒(A1) 和100毫秒(A2)两个水平，汉字有高频字(B1)和低 频字(B2)两个水平。这时，实验中有4种处理水平 的结合：A1B1、A1B2、A2B1、A2B2 。
第五章 真实验设计
第一节 单因素完全随机设计
心理学研究方法
理论（或思辨）的研究方法 现象学（或描述）的研究方法
观察法
个案法 访谈法 实证的研究方法 相关法
实验法 传统实验心理学方法 认知实验心理学方法
认知神经科学方法
做实验研究，需要具备两方面的知识：
1) 是有关研究课题的知识；作为研究基础的理论背 景、研究的基本假设与预期……。研究课题的确 定主要取决于研究者对所要研究的问题的专业知 识，它保证开展的研究在特定的领域中有继承、 有发展、有一定的科学价值。 2) 是有关实验的一般结构，即实验设计及统计学知 识。研究的质量主要取决于研究者的实验设计及 统计学知识，它保证研究结果的可靠性，结论的 合理性。
第 讲单因素实验设计
高照明度 中等照明度
低照明度
组X
X
组Y
Y
组Z
Z
目录
原始数据表如下：
姓名
1 张明 ……
30 刘修 31 刘冬
…… 60 黄卫 61 李家
…… 90 张岩
组别（V1）
工作效率（V2）
高（照明度） 56
高
67
中等
53
中等
61
低
45
低
68
目录
不同照明条件对工作效率影响研究的统计分析：
不同照明条件下工作效率比较
如果水平数为2，则进行 independent samples T test; 如果水平数大于2，则进行完全随机的方差分析： analyze— compare means—One-Way ANOVA
(3目) 录两个处理水平的单因素完全随机设计举例
不同照明条件对工作效率的影响研究
研究2种照明条件下工人车零件的效率。被试60人，随机分 为2组，每组30人，每组被试分别接受1种处理，见下表：
高照明度
低照明度
组X
X
组Y
Y
目录
不同照明条件对工作效率的影响研究：
原始数据表
姓名
组别（V1）
工作效率（V2）
1 张明 ……
29 刘修
30 刘冬
31 黄卫
32 李家 ……
60 张岩
高（照明度） 56
高
67
高
53
低
61
低
45
低
68
目录
不同照明条件对工作效率影响研究的统计分析：
表1 不同照明条件下工作效率比较
目录
-- 基本方法：首先将被试在无关变量上进行匹配，并区分为 不同的组别（每一区组内的被试在无关变量上相似，不同区 组的被试在无关变量上不同），然后把各区组的被试随机分 配给自变量的各个水平，每个被试只接受一个水平的处理。
单因素完全随机实验设计
2.组内 3.合计
78.750 P(n-1)=28 2.813 268.875 np-1=31
注: F.01(3,28)=4.57
.
5、平方和与自由度分解
SS总变异 df=np-1
=31
6、解释
SS组间 df=p-1=3
SS组内 df=p（n-1)=28
A、各种平方和的含义
SS总变异：带有实验数据中所有的变异，包括实验处 理效应、无关变异和误差变异
F=SS最大/SS最小=36.000/10.875=3.31
.
(3)误差平方和的计算：相减法或直接计算法
完全随机实验设计的简单评价： 优点：实验设计和实施简单
不需要匹配被试 统计分析及对结果的解释简单 缺点：组内变异中混杂有被试的个体差异带来的无关变 异，导致F比率的分母项加大，从而使实验较为不敏感； 当有多个处理水平时，需要的被试量较大
μ1 μ2 … μJ … μP
.
6、适合检验的假说是： 两个或多个处理水平上的总体平均数相等，即：
H0：μ1 =μ2 = …… =μp 或处理效应为0，即： H0： αj = 0 7、单因素完全随机实验设计模型：
YiJ = μ + αj + εi(J) (i=1,2,……,n; j=1,2, ……,p) 其中：YiJ：被试 i 在处理水平 J 上的分数
i 1j 1 Y ij36420 .020
i n 1j n p 1yip j2y2 84 0 2 212.1 72 55
n py2ijA S326215 .0
i 1j 1
Pi n 1 y ij2 A 32 5 3 2 1 14 .26 5
n J 1
88
.
3、平方和的分解与计算 A、平方和分解模式
第5讲_单因素实验设计说明
目录
<3> 应用举例
研究题目：文章的生字密度对学生阅读理解的影响. 研究假设：阅读理解随着生字密度的增加而下降. 实验变量：自变量——生字密度,含有4个水平〔5：1、10：1、
15：1、20：1； 因变量——阅读测验的分数； 无关变量——被试的智力水平.
区组的个数根据控制无关变量的需要,每一区组内被试的 个数为多少？？
目录
– 误差控制：区组法〔无关变量纳入法.通过统计处理,分离出 由无关变量引起的变异,使它不出现在处理效应和误差变异中, 从而提高方差分析的灵敏度.
目录
– 实验设计模型：Yij = μ+αj+πi +εi<j>
–
<i=1,2,......,n; j=1,2,......,p>
目录
① 随机实验组控制组前测后测设计----应用举例
• 研究目的：通过一系列教学程序和方法的训练,来培养学 生根据报纸标题预测所报道内容的能力. • 随机选取了46名8年级的学生,并随机将他们分为两组,随 机选择其中一个组为实验组,接受标题阅读教学,而另一个组 为控制组,仍接受常规阅读教学.
目录
Yijkl 表示被试i在处理水平j上的分数,μ表示总体平均 数,αj表示水平j 的处理效应；βk 表示无关变量B的效 应,γl 表示无关变量C的效应, ε pooled 表示误差变异.
总变异组成：实验处理A引起的变异；无关变量B、C引起的变 异；误差引起的变异.
目录
平方和分解：
SST = SSA + SSB + SSC + SSE SST是总平方和; SSA是因素A〔实验处理的效应平方和； SSB是无关变量B的效应平方和； SSC是无关变量C的效应 平方和； SSE是误差平方和.
完全随机设计说明
均小于.0001， A、B间有交互作用，从A1B1（0.8）、
A1B2(1.0)、A2B1(1.2)、A2B2(2.1)各自均值的 关系可知：A、B间有协同作用。
重复测量设计
重复测量设计
例：为研究Nm23H1基因AN：对肝癌细胞 SMMC-7721增殖和转移的影响，将4~6周龄 雌性裸鼠10只随机等分为两组。一组接种蛋 白高表达细胞克隆AN2，另一组未转染细胞 SMMC-7721作对照，测定癌细胞计数，以光 密度吸收值A595nm来反映，试分析转移基因 AN2是否对肝癌细胞有抑制作用。
配对设计(paired design)—概念
配对的特征或条件： 动物实验：常以种属、品系、性别相同，年龄、 体重相近的两只动物配成对子； 临床疗效观察常将病种、病型、族别、性别相 同，年龄相差不超过2—3岁，生活习惯、工作环 境等相似的病人配成对子；
配对设计(paired design)—注意的问题
完全随机设计
完全随机设计—概念
完全随机设计(completely random design) 亦称单因素设计。将受试对象随机分到各处理组
中进行实验观察，或分别从不同总体中随机抽 样进行对比观察。 它适用于两个或两个以上样本的比较。各组间样 本量可相等，也可不相等。样本相等时统计分 析效率较高。
全随机设计—随机分组
完全随机设计
统计假设检验方法
计量资料：t检验、方差分析或秩和检验等。
计数资料：卡方检验等
完全随机设计
优缺点： 优点：设计及统计分析简单， 缺点：试验效率不高，只能分析单因素。
配对设计
配对设计(paired design)—概念
将受试对象按某些特征或条件配成对子，然后 分别把每对中的两个受试对象随机分配到试验组 和对照组，再给予每对中的个体以不同处理，连 续试验若干对，观察对子间的差别有无意义。
单因素完全随机设计的方差分析
Start
制作人：李福建 娄文博 主讲人：
一。单因素完全随机设计
在实验中如果仅有一个实验因素，这个因素又分成k种 不同水平（k>2）或k种不同处理，将N名被试随机地分成 k个实验组，每个实验组又随机被指定接受一种实验处理， 这种实验设计就叫单因素完全随机设计。此时，k组不同 处理间是相互独立的。例如，研究识记得实验，按识记 材料的性质不同分为三种或四种处理，在同一教学内容 采用几种不同的教学方法等，都是单因素多个水平的实 验。
例1. 一批学生随机被分配在三 个组中，进行三种识记的实验， 结果如表10-3.问三种记忆方式 的效果是否有显著差异？
解题步骤详见 X1
课本P166-168
31
X2 58
X3 65
58
46 50 38 62 53 62
76
73 56 42 63 52
80
82 44 74 56 60 75
400
420
536
例2
从某班学习中等的学生中随机 抽出15名，把他们随机分成三 组，每组随机接受一种方式的 自学辅导实验，成绩如表，问 三种方式的效果是否有显著差 异？ 解题步骤详见课本P169-170
甲
75 83 78 79 81 396
乙
78 73 71 75 70 367
丙
83 85 81 88 90 427
(2)根据已知样本统计量进行方差分析
例3 把40名学生随机分成四组， 每组10人。每个组分别接受一 种方法的阅读训练，训练结束 测验成绩如表。已知训练成绩 服从正太分布，各组方差齐性， 问四种训练方法的效果是否有 显著差异? 解题步骤详见课本
单因素设计——精选推荐
单因素完全随机设计（黄希庭的心理学研究方法）单因素设计只有一个自变量，而随机化设计则是指采用随机化的方法分配被试到各个实验处理中。
单因素完全随机设计是指研究者在实验中只操纵一个自变量，并采用随机化的原则把被试分配到自变量的不同水平上的一种实验设计。
根据自变量水平的多少，单因素完全随机设计可分为两等组模型和多等组模型；根据有无试验前侧，可分为后测模型和前测后测模型；根据是否进行配对分组，可分为随机等组模型和随机配对等组模型。
一。
实验组控制组后测设计（一）实验组控制组后测设计模式只有一个自变量，并且自变量只有两个水平，其设计的基本模式如下：R1 X O1R2 O2首先采用随机分配的方法将被试分为同质的两组，两个组在理论上完全相同，然后随机选择其中的一组作为实验组接受实验处理，另一组作为控制组不接受实验处理。
在实验处理后，两组接受相同的后测，并对所获得的观测结果的差异进行比较，以推论实验处理的效果。
对于该设计实验结果的统计分析，可采用独立样本的t检验的方法进行数据统计分析。
（二）实验组控制组多组后测设计模式如果在一个实验中，实验因素具有三个或三个以上的处理水平时，上述设计的结构模式可变为：R1 X1 O1R2 X2 O2R3 X3 O3………Rn Xn OnRn+1 On+1这种模式和实验组控制组后测模式的区别仅在于增加了自变量的水平，即由两个水平变为多个水平，这种设计也成为随机多组后测设计。
在这种设计模式中，随机选取并分派被试组成等组，其中可以有一个组是不接受实验处理的控制组，其他各组分别接受不同的实验处理；也可以所有的组都接受不同的实验处理，对各组可能出现的结果差异进行比较。
对于单因素完全随机多等组后测设计的数据分析，可采用单因素方差分析的统计方法。
如F检验达到了统计显著性水平，表明在所有处理条件中至少有两个处理条件的差异达到了显著水平。
随后还需要进一步分析这些处理中哪些处理间具有显著的差异，进行有关单因素方差分析的事后多重比较（post hoc test）。
单因素完全随机随机区组方差分析SPSS
2023.01
4
➢ 数据格式 n行2列 （指标变量、分组变量）
2023.01
5
➢ 检验环节
Analyze →Compare Means →One-Way ANOVA
2023.01
6
One-Way ANOVA 对话框
2023.01
多重比较
选项
7
Post Hoc Multiple Comparisons 对话框
单原因方差分析旳SPSS实现
2023.01
1
SPSS单原因方差分析过程名
完全随机设计方差分析： Analyze Compare Means
One－Way ANOVA
随机单位组设计方差分析： Analyze General Linear Models
Univariate
2023.01
2
1. 完全随机设计资料旳方差分析One-Way ANOVA
2023.01
3
表1 三组战士的第一秒用力肺活量(L)
对照组 锻炼组 药物组 合计 3.25 3.66 3.44 3.32 3.64 3.62 3.29 3.48 3.48 3.34 3.64 3.36 3.16 3.48 3.52 3.64 3.20 3.60 3.60 3.62 3.32 3.28 3.56 3.44 3.52 3.44 3.16 3.26 3.82 3.28
例1 某高原研究组将籍贯相同、年龄相同、身高 体重接近旳30名新战士随机分为三组，甲组为对 照组，按常规训练，乙组为锻炼组，每天除常规 训练外，接受中速长跑与健身操锻炼，丙组为药 物组，除常规训练外，服用抗疲劳药物，一月后 测定第一秒用力肺活量(L)，成果见表。试比较 三组第一秒用力肺活量有无差别。
完全随机设计
样本均数与总体均数（或配对）比较 完全随机设计 —随机分组
12 动物完全随机分两组结果（采用随机数字表）
动物编号 1
2
3
4 65 9 B
5 27 3 A
6 09 2 A
7 52 8 B
8 66 10 B
9 51 7 B
10 07 1 A
11 47 6 A
12 70 11 B
随机数字 35 92 28 序号（R） 5 12 处理级别 A B 4 A
完全随机设计
完全随机设计—概念
完全随机设计(completely random design) 亦称单因素设计。将受试对象随机分到各处理组 中进行实验观察，或分别从不同总体中随机抽 样进行对比观察。 它适用于两个或两个以上样本的比较。各组间样 本量可相等，也可不相等。样本相等时统计分 析效率较高。
完全随机检验等。 计数资料：卡方检验等
完全随机设计
优缺点： 优点：设计及统计分析简单， 缺点：试验效率不高，只能分析单因素。
配对设计
配对设计(paired design)—概念
将受试对象按某些特征或条件配成对子，然后 分别把每对中的两个受试对象随机分配到试验组 和对照组，再给予每对中的个体以不同处理，连 续试验若干对，观察对子间的差别有无意义。
完全随机设计—随机分组
例1 将12头动物随机分配到A、B两组。 1、先将12头动物编号为1、2……12号。然后 在随机数字表内任意确定一个起始点和方向 连续取12个随机数字，并依次抄录于动物编 号下。 2、本例从随机数字表第6行第19、20列起向下 读取12个随机数字，取两位随机数字。 3、将随机数字从小到大顺序排列后得序号R， 并规定R=1～6者为A组，R=7～12者为B组。
单因素完全随机设计
单因素完全随机设计单因素完全随机设计是一种重要的实验设计方法，适用于只有一个自变量和一个因变量的研究。
该设计方法的特点是实验对象被随机分为若干个互相独立的组，每组只应用一个处理方式，以确定自变量对因变量的影响。
本文将详细介绍单因素完全随机设计的应用、设计流程和实施步骤，并对其优缺点进行分析。
单因素完全随机设计被广泛应用于各领域的实验研究。
例如，在医学研究中，可以将不同剂量的药物应用于不同的实验组，观察其对病患的治疗效果；在教育研究中，可以将不同的教学方法应用于不同的班级，比较它们在学生学习成绩方面的差异。
通过使用单因素完全随机设计，研究者能够控制其他影响因素，从而更准确地研究自变量对因变量的影响。
设计单因素完全随机实验需要按照以下流程进行：确定研究问题和研究目的、选择实验设计、确定实验对象和实验条件、制定实验方案、实施实验、收集数据、进行数据分析和结果解读。
首先，需要明确研究问题和研究目的。
通过确定研究问题和研究目的，可以明确需要研究的自变量和因变量，以及可能存在的其他中介变量和控制变量。
其次，选择实验设计。
在单因素完全随机设计中，实验对象被随机分成若干组，每组只应用一个处理方式。
这样做的目的是确保组内实验对象的相似性，组间实验对象的差异主要由自变量引起。
第三步是确定实验对象和实验条件。
根据实验目的和实际情况，选择适当的实验对象和实验条件。
以药物研究为例，实验对象可以是动物，实验条件可以是不同剂量的药物。
第四步是制定实验方案。
根据实验设计和实验对象的特点，制定详细的实验方案。
包括实验的时间安排、实验的具体步骤、实验的测量方法等。
第五步是实施实验。
按照实验方案进行实验。
保证实验的操作的准确性和可重复性。
第六步是收集数据。
根据实验方案进行数据的收集。
需要明确不同处理组的测量对象和测量方法。
第七步是进行数据分析和结果解读。
根据实验数据进行统计分析，比较不同处理组的差异，判断自变量对因变量的影响。
根据结果来解读实验的结论。
单因素实验设计
四．单因素完全随机实验设计方差分析的前提条件
1.正态分布。 2.方差齐性。（分配给不同处理水平的被试在统计上是无差异的） 3.独立性。 4.连续性。
特别注意： ①如果自变量有两个水平，即实验中有两组被试，则F检验与两组Z或t检验等效。
也就是说，两个独立样本差异的显著性检验可以看成是单因素完全随机实验 设计的特例。
单因素实验设计
第一讲 单因素完全随机实验设计
一.单因素实验设计定义:实验中只有一个自变 量的实验设计。
分类： 1.单因素完全随机实验设计 2.单因素随机区组实验设计 3.单因素重复测量实验设计 4.单因素拉丁方实验设计
二．单因素完全随机实验设计的模式：
表：
三.单因素完全随机实验设计的基本特点：
1.实验中只有一个自变量，平，即实验有多组被试，则不能用Z或t检验去进行显 著性检验。
③如果F检验结果显著，则表明各组均数中至少有两组均数差异是显著的，但是 并不能知道哪几组均数差异显著，所以还需要进行多重比较。
思考题：单因素完全随机实验设计方差分析
有A、B、C三种不同的阅读策略训练方法，从5年级学生中随机挑选9名学生参 加训练，将其随机分为3组，每组3名学生，每组接受一种训练方法。一学期结 束后，对6名学生进行阅读能力测验，测验结果如表：
2.如自变量有P个水平，实验就有P组。
3.两种情况：
①随机选择N个同质的被试，并随机分配到P个不同水平的实验处理中， 每组被试人数可相同，也可不同。
②有P组不同质的被试接受同一种实验处理，每组被试人数可相同，也可 不同。
4.优点：每个被试只接受一次处理，没有疲劳与练习效应，实验设计和实施简单。 缺点：被试间的个体差异无法控制，实验的精度较低，如果实验中含有多个处 理水平时，需要的被试量也会比较大。
单因素完全随机设计
29 27 32 11 23 37
学生编号 （2班） 成绩 13 40 14 29 15 19 16 35 17 27 18 34
单因素完全随机实验设计
学生编号(1班）成绩
19 20
学生编号 （2班） 成绩 24 19 36 17 20 40
单因素完全随机实验设计
分析此实验
如何进行统计分析
单因素完全随机实验设计
进行one-way
ANOVA 分析需要满足的假设： 正态分布 因变量总体在因素的各个水平上呈 正态分布
如果不能保证正态分布，每组的样本量应不少于
15人
单因素完全随机实验设计
方差齐性
因变量在因素的各个水平上方差齐
性
如果各组方差不齐，而且各组样本量也不同，方
差分析的结果不可信
单因素完全随机实验设计
学生编号(1班）成绩
7 8 9 10 11 12
29 32 26 35 17 40
学生编号 （2班） 7 8 9 10 11 12
成绩 38 36 33 22 36 32
单因素完全随机实验设计
学生编号(1班）成绩
13 14 15 16 17 18
两个班的平均成绩、标准差、最高分和最低
分 两种教学方式对汉字读音记忆效果是否有差 异，哪一种教学方式更有效
单因素完全随机实验设计
学生编号(1班）成绩
1 2 3 4 5 6
22 26 34 33 34 11
学生编号 （2班） 成绩 1 29 2 36 3 27 4 19 5 37 6 28
指用随机化方法将被试随机分为几组 根据实验目的对各组被试实施不同的处理
单因素完全随机设计
单因素完全随机实验设计一、单因素完全随机实验设计的基本特点单因素完全随机实验设计适用于这样的研究：研究中有一个自变量，自变量有两个或多于两个水平(p ≥2)。
它的基本方法是：把被试(实验单元)随机分配给处理(自变量)的各个水平，每个被试只接受一个水平的处理。
完全随机实验设计是用随机化的方式控制误差变异的。
它假设，由于被试是随机分配给各处理水平的，被试之间的变异在各个处理水平之间也应是随机分布、在统计上无差异的，不会只影响某一个或几个处理水平。
图中清楚地显示了单因素完全随机实验设计的特点：实验中有一个自变量，自变量有4个水平，每个处理组有4个被试，每个被试接受一个处理水平，16个被试参加了实验。
二、单因素完全随机实验设计与计算举例(一)研究的问题与实验设计一个研究要探讨文章的生字密度对学生阅读理解的影响。
研究者的假设是：阅读理解随着文章中生字密度的增加而下降。
因此，该实验有一个自变量——生字密度，研究者感兴趣的四种生字密度是：5:1(a1)、10:1(a2)、15:1(a3)、20:1(a4)。
因变量是被试的阅读理解测验分数。
实施实验时，研究者将32名被试随机分为四组，每组被试阅读一种生字密度的文章，并回答阅读理解测验中有关文章内容的问题。
这是一个典型的单因素完全随机设计，虽然研究者不再检验实验中其它因素的影响，但实际上存在着多种可能对因变量产生影响的均在变量，例如：文章的长度、文章的主题熟悉性、文章类型等、通讯被试的年龄、受教育程度、阅读能力等。
这时，控制无关变量可做的工作之一是在选取四篇文章时，使它们在除生字密度以外的其它方面尽量匹配。
(二)实验数据及其计算在本书中，数据的方差分析计算是分步进行的：首先列出计算表，然后利用计算表中的数字进行基本量的计算，最后用基本量计算各种平方和。
其中，计算表包括原始数据表和平均数表，其作用主要是帮助读者了解基本量计算公式中各数字的意义和出处，在多因素方差分析中，基本量计算公式迅速增加，计算表的帮助是特别明显的。
单因素实验设计【精选】
单因素实验设计单因素实验设计是指在实验中只有一个研究因素，即研究者只分析一个因素对效应指标的作用，但单因素实验设计并不是意味着该实验中只有一个因素与效应指标有关联。
单因素实验设计的主要目标之一就是如何控制混杂因素对研究结果的影响。
常用的控制混杂因素的方法有完全随机设计、随机区组设计和拉丁方设计等。
一、完全随机设计1.概念与特点又称单因素设计或成组设计，是医学科研中最常用的一种研究设计方法，它是将同质的受试对象随机地分配到各处理组进行实验观察，或从不同总体中随机抽样进行对比研究。
该设计适用面广，不受组数的限制，且各组的样本含量可以相等，也可以不相等，但在总体样本量不变的情况下，各组样本量相同时的设计效率最高。
例如：为了研究煤矿粉尘作业环境对尘肺的影响，将18只大鼠随机分到甲、乙、丙3组，每组6只，分别在地面办公楼、煤炭仓库和矿井下染尘，12周后测量大鼠全肺湿重（g），通过评价不同环境下大鼠全肺平均湿重推断煤矿粉尘对作用尘肺的影响，具体的随机分组可以如下实施：第一步：将18只大鼠编号：1，2，3， (18)第二步：可任意设置种子数，但应作为实验档案记录保存（本例设置spss11.0软件的种子数为200）；第三步：用计算机软件一次产生18个随机数，每个随意数对应一只老鼠（本例用spss11.0软件采用均匀分布最大值为18时产成的18个随机数）；第四步：最小的6个随机数对应编号的大鼠为甲组，排序后的第7个至第12个随机数随因编号为乙组，最大的6个随机数对应编号的大鼠为丙组（结果见表1）。
表1 分配结果编号1234567893.758.7516.2911.12 5.49 3.9813.6416.71 1.69随机数组别甲乙丙乙乙甲丙丙甲编号101112131415161718113.6216.36 2.12 4.7411.54 3.980.1317.3516.38随机数组别丙丙甲乙乙甲甲丙丙2.随机数的产生方法（1）随机数字表：如附表13（马斌荣，医学统计学，第4版），这是一个由0～9十个数字组成60行25列的数字表。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
所罗门四组设计
真实验研究设计是相对准实验研究设计和非实验研究设计而言，是
实验类研究中条件控制最为严格的一种，有时也简称实验研究设计。
真实验设计的基本逻辑是，根据随机化的原则把被试分配到不同的 实验条件中去，所形成的这些组具有同质性或是等组，也就是这些组在 相同的条件下完成相同的任务，他们的成绩在统计上应该是相等的。如 果这些组的成绩有所差异，则可以推论这些差异是由于不同的实验条件 造成的。
真实验研究设计的特点主要体现在，能够随机地选取并分配被试，能够在
有效控制无关因素干扰的基础上操纵自变量的变化，能够精确地测量因变量的变
化。因此只要能够严格控制无效变异来源的实验设计，都可以成为真实验设计。 在一个好的实验设计中，自变量是唯一正在被操纵的变量,而各组中的所有其他条 件都应当保持恒定。也就是，除自变量外，如果实验组和控制组的处理非常相似 , 那么因变量之间的差异一定是由自变量引起的。例如,在视错觉的实验研究中,被试
（一）实验组控制组后测设计 （二）实验组控制组前测后测设计 （三）所罗门四组设计
设计的基本模式 (一) 所罗门四组设计(sodmim fopolin也称重选实物设计，是由所罗门于1949年提出的一种具 有两个实验组和两个控制组的随机设计，其基本的设计模式为: R1 R2 R3 R4 O1 O3 X X X O2 O4 O5 O6
组设计还能够考察测验、历史和成熟等因素对因变量的影响。
所罗门四组设计是心理和行为科学研究中一种理想的研究设计，此种设计在内部效 度和外在效度方面均无缺点而言。但是，在研究过程中很难时找到四组同质的被试。这也 是所罗门四组设计应用的局限所在此，在研究的初幻及阶段一般不宜采用这种研究设计， 除非就实验假设作决定性检验的时候才虑加以使用。
单因素设计只有一个自变量(因素),而随机化设计则是指采单因素完全随机设计是指研究者在
实验中只操纵一个自变量,并采用随机化的原则把被试分配到自变量的不 同水平上的一种实验设计。根据自变量水平的多少,单因素完全随机化设 计可分为两等组模型和多等组模型;根据有无实验前测，可分为后测模型 和前测后测模型;根据是否进行配对分组，可分为随机等组模型和随机配 对等组模型。
第三，采用2X2 方差分析的方法，来分析实验处理的主效
应和前测效应，以及实验处理和前测的交互作用。其分析的基本 模式如表所示。
其中，纵列的平均数可以估计实验处理的主效应，横行的平 均数可以估计前测得主效应，根据各个交叉格中平均数
(O2,O4,O5和O6)可以估计前测与实验处理的交互作用是否显著。
所罗门四组设计除了具有前两种实验设计的优点外,还具有以下的优点: 第一，所罗门四组设计实际上是进行了四个实验，从而可以通过检验 O2>O1,O2>O4,O5>O6以及O5>O3,来验证实验处理x 的效果。如果比较的结果确实发生 上述情况，那么就有充分的理由推断，结果的差异是由实验处理造成的。此外，所罗门四
眼睛的颜色、身高、运动技能以及关于足球的知识等变量可能不会影响被试的知
觉,研究者通过随机化的方法就可以平衡掉这些个体差异。但是,被试的视力和呈现 刺激的亮度等变量很可能会影响到实验的结果，研究者要对这些变量进行控制。
可以从不同的角度把真实验设计划分为不同的类型。例如从控
制无关变异方法的角度，可分为完全随机、随机区组和拉丁方设计。 从自变量数目的角度，可分为单因素和多因素设计。从被试是否接 受所有实验处理的角度，可分为被试内、被试同和混合设计。
图1有处理效应无前测影响
图2处理效应与前测效应均存在
所罗门四组设计的数据分析根据不同的情况，可以采用不同的数据分析方法。 第一，如果对于前测的影响，或者前测和实验处理的交互作用允许忽略不计，则可以使 用单因素方差分析(ANOVA)对四个组的后测平(O2,O4,O5和O6)进行比较和检验. 第二,如果不能够确信是否可以忽略前测效应,则可以把前测成绩作为协变量，采 用协方差分析( ANCOVA)来比较O2 和04O 采用F 或t检验来比较O5和O6。如果单因素 的协方差分析和t检验均达到了统计显著性水平,则可以得出实验处理的效应。否则,应当 考虑前测以及前测与实验处理的交互作用的影响。